一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法技术

本发明专利技术公开了一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法，包括以下步骤：S1：建立核磁共振Dixon腹部影像数据集，再将数据集分为训练样本和测试样本；S2：得到已标注的定位数据集；S3:将二值化的图像分为脂肪与非脂肪成分；S4：创建冠状位和矢状位的两个2D U

【技术实现步骤摘要】
一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法


[0001]本专利技术涉及医学领域，尤其是涉及一种基于深度学习和核磁共振 Dixon的腹部脂肪定量方法。

技术介绍

[0002]肥胖人口日益增多已经成为世界范围内的一个重大公共卫生问题，肥胖也是导致代谢紊乱和心脑血管疾病的重要危险因素。虽然体重指数(BMI)是一种广泛使用的衡量体内脂肪积累的指标，但它本身并不提供关于不同类型脂肪组织含量或是脂肪沉积位置分布的信息。腹部脂肪组织(AAT)由皮下脂肪组织(SAT)和内脏脂肪组织(VAT)组成。两种脂肪组织分别的累积程度经常被与慢性心血管疾病、葡萄糖损伤和血脂异常的风险增加联系在一起。最近，几项研究表明，与SAT相比，VAT的积累与不良的代谢和炎症反应之间存在更强的联系。因此，如何准确测量VAT和SAT各自体积进行精确定量具有重要的临床和研究意义。
[0003]测定局部体脂方法有很多，如生物电阻抗法、双能X线吸收法、 CT、MRI和超声等。目前，最为准确的无创测量VAT和SAT体积的方法是手动分割来自磁共振Dixon扫描的腹部脂肪图像——这通常是由放射科医生对原始图像进行人工处理，标识出腹内VAT和SAT 范围的一个非常耗时耗力的工作。目前，市面上已经出现了半自动分割的软件，但是其主要工作仍然是人工完成的。这类软件虽然能在一定程度上提升分割的效率，但是医生仍然需要10分钟以上的时间完成单张图片的分割。另外，基于此类软件的商用分割服务通常昂贵，例如，单次扫描分割的费用需要2000元。因此，对于大型影像中心，腹部脂肪的自动分割方法非常必要。然而，由于复杂的VAT和SAT 结构、各种各样的VAT形状、受试者之间的巨大解剖差异以及Dixon 图像的固有缺陷：脂肪组织类别之间的低对比度、不均匀的信号和不自主的器官运动。这些因素都为脂肪的准确分割带来了挑战。
[0004]近年来深度学习技术在医学图像处理中有了长足的进步，多种基于深度学习软件可用于医学图像分割、分类和目标检测等。全卷积神经网络(FCN)已被计算机视觉领域所广泛采使用，此类方法以端到端的方式进行体素级别的图像分割，无需手动提取特征或将图像切割。在FCN基础上开发的Unet网络的结构，它与FCN相比，可以更好地对图像多尺度信息进行融合，更加适合医学图像的分割。Unet可以自动提取内在特征并整合全局信息以解决局部歧义性，从而改善模型分割的结果，为克服上述挑战带来了可行的方法。
[0005]现有的半自动分割方法普遍存在各自缺陷，例如：
[0006]基于阀值的分割方法对噪声敏感，目标灰度值差异不明显或有重叠分割效果不佳；基于边缘的分割方法不能得到较好的区域结构，边缘检测时抗噪性和检测精度之间的相互制约；基于区域的分割方法容易造成图像的过度分割；基于聚类的图像分割方法没有考虑空间信息，对噪声和灰度不均匀敏感。实际过程中，这些方法往往会结合使用，并且需要对每一层图片分别进行处理，其次是这些算法要对SAT与 VAT分别进行分割，必须对图片进行两次处理。繁多的步骤除耗费了大量的时间和工作量还增加了出现额外错误的几率。

技术实现思路

[0007]针对现有存在的技术问题，本专利技术提供一种基于深度学习Unet 网络模型的腹部脂肪定量方法，能够对腹部核磁共振Dixon影像进行自动分割和VAT/SAT定量，且操作简便定量准确率高。
[0008]本专利技术采用以下技术方案：
[0009]一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法，包括以下步骤：
[0010]S1：建立核磁共振Dixon腹部影像数据集，再将数据集分为训练样本和测试样本；
[0011]S2：将Dixon图像分为腹腔层面和非腹腔层面，得到已标注的定位数据集；
[0012]S3:以阈值法将所有腹腔层面Dixon图像二值化，将二值化的图像分为脂肪与非脂肪成分。两位医影像科师手工将图像上脂肪组织分为SAT、VAT、骨髓3个区域，得到已标注的分割数据集；
[0013]S4：创建冠状位和矢状位的两个2D U
‑
Net深度学习网络模型，用于定位腹腔区域；
[0014]S5：对S4)所述模型参数进行初始化，根据S2)数据训练定位模型；
[0015]S6：创建冠状位、矢状位和轴位的三个2D U
‑
Net深度学习网络模型，用于分割VAT和SAT；
[0016]S7:对S6)所述模型参数进行初始化，根据S3)数据训练分割模型；
[0017]S8:将S1)中所述得到的测试用定位数据输入S5)所述的训练后定位模型,对测试集中的磁共振Dixon图像进行处理,从而得到腹腔层面的Dixon数据。
[0018]S9:将S8)中所述得到的数据输入S7)所述的训练后分割模型, 对腹腔层面的Dixon图像进行处理，从而得到腹腔层面的Dixon图像分割结果。
[0019]所述S4)中冠状位和矢状位两个位面的定位结果相平均，得到最终的腹腔定位结果。
[0020]所述S6)中冠状位、矢状位和轴位的三个位面的分割结果按照 0.25、0.25、0.5加权平均，得到最终的腹腔定位结果。
[0021]本专利技术的优点是：能够对腹部核磁共振Dixon影像进行自动分割和VAT/SAT定量，且操作简便定量准确率高。
附图说明
[0022]下面结合实施例和附图对本专利技术进行详细说明，其中：
[0023]图1是本专利技术的流程图；
[0024]图2是本专利技术实施中深度学习2D U
‑
Net的网络结构；
[0025]图3是本专利技术实施中对腹部Dixon图像分割结果展示。其中：
[0026]图3A、图3B、图3C、图3D、图3E、图3F为横断位mr影像及对应的脂肪分割结果示意图。
[0027]图4A、图4B、图4C、图4D、图4E、图4F为冠状位mr影像及对应的脂肪分割结果示意图。
[0028]图5A、图5B、图5C、图5D、图5E、图5F为矢状位mr影像及对应的脂肪分割结果示意图。
具体实施方式
[0029]在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0030]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存 (flash RAM)。内存是计算机可读介质的示例。
[0031]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法，其特征在于，包括以下步骤：S1：建立核磁共振Dixon腹部影像数据集，再将数据集分为训练样本和测试样本；S2：将Dixon图像分为腹腔层面和非腹腔层面，得到已标注的定位数据集；S3:以阈值法将所有腹腔层面Dixon图像二值化，将二值化的图像分为脂肪与非脂肪成分。两位医影像科师手工将图像上脂肪组织分为SAT、VAT、骨髓3个区域，得到已标注的分割数据集；S4：创建冠状位和矢状位的两个2D U
‑
Net深度学习网络模型，用于定位腹腔区域；S5：对S4)所述模型参数进行初始化，根据S2)数据训练定位模型；S6：创建冠状位、矢状位和轴位的三个2D U
‑
Net深度学习网络模型，用于分割VAT和SAT；S7:对S6)所述模型参数进行初始化，根据S3)数据训练分割模型；S8:将S1)中所述得到的测试用定位数据输...

【专利技术属性】
技术研发人员：高欣，林木，朱敏，
申请(专利权)人：上海全景医学影像诊断中心有限公司，
类型：发明
国别省市：